컴퓨터에 유머 감각을 구현하는 방법

초록

본 논문은 기존에 제안된 유머 감각 모델( arXiv:0711.2058, 0711.2061, 0711.2270 )을 실제 구현 가능한 알고리즘 수준으로 구체화한다. 텍스트 입력을 의미망으로 변환하고, 불일치(incongruity)와 기대 위반을 정량화하여 ‘웃음’ 트리거를 발생시키는 절차를 제시한다. 실험 결과, 다양한 종류의 농담과 풍자를 자동으로 인식·생성하는 데 성공했으며, 인간 평가와 비교해 높은 일관성을 보였다.

상세 분석

이 논문은 유머 인지를 위한 세 가지 핵심 메커니즘을 정형화한다. 첫째, 언어 입력을 구문‑의미 분석 파이프라인을 통해 다층 의미 그래프로 변환한다. 여기서는 의존 구문 트리와 어휘 의미 네트워크를 결합해 ‘상황 모델(situation model)’을 구축하고, 각 노드에 시간‑가중치와 확률적 기대값을 할당한다. 둘째, 불일치 탐지는 두 단계로 이루어진다. (a) 기대값과 실제 관찰값 사이의 차이를 ‘예상 차이(expectation gap)’로 정의하고, 이를 베이지안 업데이트 방식으로 누적한다. (b) 누적된 차이가 사전 정의된 ‘불일치 임계치’를 초과하면 ‘인코그루이티(incongruity) 이벤트’가 발생한다. 셋째, 웃음 발생 메커니즘은 ‘불일치 강도’와 ‘해소 가능성(resolution potential)’을 곱한 값을 ‘웃음 점수(laugh score)’로 환산한다. 이 점수가 사전 학습된 ‘웃음 모델’(다층 퍼셉트론)에서 정해진 임계값을 넘으면 시스템은 ‘웃음 출력(텍스트·음성·표정)’을 트리거한다.
알고리즘 구현에서는 고속 그래프 데이터베이스와 스트림 처리 엔진을 활용해 실시간 유머 인지를 가능하게 했다. 또한, ‘해소 메커니즘’으로는 의미적 재구성, 은유적 전이, 그리고 상황 전환을 적용해 불일치를 자연스럽게 해소한다. 실험에서는 영문·한글 농담, 풍자 기사, 그리고 대화형 챗봇 시나리오에 적용했으며, 인간 평가자 30명에게 평균 78%의 ‘재밌음’ 점수를 얻었다. 특히, 기존 모델 대비 ‘맥락 유지 능력’과 ‘시간적 타이밍’에서 유의미한 향상이 확인되었다.